본 논문은 인간 정렬된 심층 학습 모델의 행동 특성(강건성, 공정성, 정직성 등)을 다른 작업이나 데이터 분포에 대해 훈련된 모델로 전달하는 어려움을 해결하기 위해 BIRD(Behavior Induction via Representation-structure Distillation) 프레임워크를 제시합니다. BIRD는 학생 모델의 내부 표현 구조를 교사 모델과 일치시켜 정렬된 행동을 전달합니다. 이미지 분류에서의 분포 외 강건성에 적용된 결과, 기존의 미세 조정, 전이 학습, 지속 학습 방법보다 최대 16% 향상된 강건한 정확도를 달성했습니다. 또한, 교사 모델이 학생 모델보다 훨씬 작고 간단한 데이터셋으로 훈련되었더라도 효과적임을 보였습니다. 400개 이상의 교사-학생 쌍에 대한 대규모 연구를 통해 교사 표현의 세 가지 해석 가능하고 계산 가능한 특성(작업 관련성, 행동 관련성, 상호 보완적 지식)이 전달 성공의 최대 85% 분산을 설명함을 보였습니다. 이러한 통찰력은 교사 선택 및 설계에 대한 실질적인 지침을 제공하며, 작고 잘 정렬된 모델을 확장 가능한 정렬 시드로 전환하여 안전한 AI 시스템의 실제 배포의 주요 병목 현상을 제거합니다.
